人間の活動認識の機械学習における試行及び個々の相違を考慮した特徴選択アルゴリズム

OMAE Yuto; TAKAHASHI Hirotaka

文献

J-GLOBAL ID：201702233493758528 整理番号：17A1207207

人間の活動認識の機械学習における試行及び個々の相違を考慮した特徴選択アルゴリズム

Feature Selection Algorithm Considering Trial and Individual Differences for Machine Learning of Human Activity Recognition

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=17A1207207&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=17A1207207&from=J-GLOBAL&jstjournalNo=F1398A") }}

著者 (2件)： ,
資料名：
巻： 21 号： 5 ページ： 813-824 発行年： 2017年09月20日
JST資料番号： F1398A ISSN： 1343-0130 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：日本 (JPN) 言語：英語 (EN)

近年,慣性センサ及び機械学習の組合せを用いた慣性センサデータに基づいた人体動きの自動分類に関する多くの研究が実施されて来た。センサデータ及び人体動きが互いに対応する場所での訓練データが必要である。被験者の疲労あるいは負傷に対する関心事のために,拡張した時間周期に渡った多数の被験者を含む実験を実施する事は難しい。それ故に,多くの研究は訓練データを構築するためのデータを取得するために,分類に従って反復した身体動きを実施する少数の被験者を許容している。そのような訓練データを用いて構築したどのような分類子も個々及び試行相違によって起こる一般化誤差に関連した幾つかの問題を持つだろう。そのような一般化誤差を抑制するために,特徴空間は個々及び試行相違による一般化誤差を生成しにくいように得られなければならない。そのような特徴空間を得るために,個々及び試行誤差による特徴空間一般化誤差の尤度を評価するための指標が必要である。それ故に,本論文ではそのような評価指標を観点から考案する事を目的とした。本論文において筆者らが提案した評価指標は次にように得られる。最初に,個々及び試行相違を表現する取得データの確率分布を構築する。それから,一般化誤差生成のどのようなリスクを計算するためにもそのような確率分布を用いる。バタフライ及び平泳ぎ水泳用のセンサデータに対してそれを適用する事によって提案評価手法の有効性を検証した。比較目的のために,筆者らは少数の既存の評価手法も適用した。筆者らは提案及び既存手法によって得られた特徴空間に対してサポートベクトルマシンを適用する事によってバタフライ及び平泳ぎ水泳用の分類子を構築した。テストデータを用いて筆者らが実施した精度検証に基づいて,筆者らは提案手法が既存の手法と比較して著しくより高いF-測度を生成する事を検出した。これは提案評価指標の使用が個々及び試行相違による一般化誤差を生成しにくい特徴空間を得る事を可能化する事を証明する。(翻訳著者抄録)

, , , , , , ,
, ,

パターン認識 , 人工知能 , 統計学 , 電気式制御機器

引用文献 (25件)：

A. M. Khan, Y. K. Lee, S. Y. Lee, and T. S. Kim, “A Triaxial Accelerometer-Based Physical-Activity Recognition via Augmented-Signal Features and a Hierarchical Recognizer,” IEEE Tran. on Information Technology in Biomedicine, Vol.14, No.5, pp. 1166-1172, 2010.
J. Lester, T. Choudhury, and G. Borriello, “A Practical Approach to Recognizing Physical Activities,” Int. Conf. on Pervasive Computing, pp. 1-16, 2006.
Z. He and L. Jin, “Activity Recognition from Acceleration Data Based on Discrete Consine Transform and SVM,” IEEE Int. Conf. on Systems, Man and Cybernetics, pp. 5041-5044, 2009.
J. A. Ward, P. Lukowicz, G. Troster, and T. E. Starner, “Activity Recognition of Assembly Tasks Using Body-Worn Microphones and Accelerometers,” IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol.28, No.10, pp. 1553-1567, 2006.
P. Siirtola, P. Laurinen, J. Roning, and H. Kinnunen, “Efficient Accelerometer-Based Swimming Exercise Tracking,” Computational Intelligence and Data Mining (CIDM), 2011 IEEE Symp., pp. 156-161, 2011.

, , , , , ,

前のページに戻る